In de eerste fase zullen we ons richten op het automatisch ophalen en verwerken van Sentinel-2 satellietbeelden. De gebruiker zal dit voor een specifiek gebied kunnen doen. De data lagen worden opgeslagen in een S3 object store. Om het vinden en selecteren van gegevens voor verdere analyse te vergemakkelijken, worden metadata zoals tijdstempels, bewolking en vegetatiebedekking opgeslagen in een bijbehorende metadatadatabase. De gegevens zullen beschikbaar zijn via een API voor gebruik in andere clouddiensten of voor verdere analyse op de desktop.
In de tweede fase zullen we een clouddienst ontwikkelen met een geïntegreerd analytisch raamwerk voor remote sensing analyse met behulp van Python notebooks. Dit zal onder andere bestaan uit standaard routines voor de berekening van relevante vegetatie indexen, de toepassing van machine learning algoritmes voor de classificatie van vegetatie and landgebruikstypes in de TAL-regio, en procedures voor de crossvalidatie van modeluitkomsten. Alle routines and procedures zullen worden gedocumenteerd zodat ze ook kunnen worden gebruikt voor de training van onderzoekers met minder ervaring in remote sensing, en de opleiding van onze studenten.
Voor het project is het belangrijk dat deze opstelling onderzoekers en studenten stimuleert om allemaal dezelfde voorbewerkingsstappen en analyseroutines te gebruiken.
